論文の概要: AI-Enhanced Distributed Channel Access for Collision Avoidance in Future Wi-Fi 8

• arxiv url: http://arxiv.org/abs/2509.23154v1
• Date: Sat, 27 Sep 2025 07:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.072756
• Title: AI-Enhanced Distributed Channel Access for Collision Avoidance in Future Wi-Fi 8
• Title（参考訳）: 将来のWi-Fi 8における衝突回避のためのAIによる分散チャネルアクセス
• Authors: Jinzhe Pan, Jingqing Wang, Yuehui Ouyang, Wenchi Cheng, Wei Zhang,
• Abstract要約: バイナリ指数バックオフ(BEB)に依存している現在のWi-Fiシステムは、密集配置における最適下衝突の解決に悩まされている。 本稿では,AI最適化とレガシデバイス共存を統合したマルチエージェント強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.814184108821006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The exponential growth of wireless devices and stringent reliability requirements of emerging applications demand fundamental improvements in distributed channel access mechanisms for unlicensed bands. Current Wi-Fi systems, which rely on binary exponential backoff (BEB), suffer from suboptimal collision resolution in dense deployments and persistent fairness challenges due to inherent randomness. This paper introduces a multi-agent reinforcement learning framework that integrates artificial intelligence (AI) optimization with legacy device coexistence. We first develop a dynamic backoff selection mechanism that adapts to real-time channel conditions through access deferral events while maintaining full compatibility with conventional CSMA/CA operations. Second, we introduce a fairness quantification metric aligned with enhanced distributed channel access (EDCA) principles to ensure equitable medium access opportunities. Finally, we propose a centralized training decentralized execution (CTDE) architecture incorporating neighborhood activity patterns as observational inputs, optimized via constrained multi-agent proximal policy optimization (MAPPO) to jointly minimize collisions and guarantee fairness. Experimental results demonstrate that our solution significantly reduces collision probability compared to conventional BEB while preserving backward compatibility with commercial Wi-Fi devices. The proposed fairness metric effectively eliminates starvation risks in heterogeneous scenarios.
• Abstract（参考訳）: 無線機器の指数的成長と新興アプリケーションの厳格な信頼性要件は、未ライセンス帯域に対する分散チャネルアクセス機構の根本的な改善を要求する。 バイナリ指数バックオフ(BEB)に依存する現在のWi-Fiシステムは、密集配置における最適下衝突の解決と、固有のランダム性による永続的公正性の問題に悩まされている。 本稿では,AI最適化とレガシデバイス共存を統合したマルチエージェント強化学習フレームワークを提案する。 まず,従来のCSMA/CA操作との完全な互換性を維持しつつ,アクセス遅延イベントを通じてリアルタイムチャネル条件に適応する動的バックオフ選択機構を開発する。 第2に、等価な媒体アクセス機会を確保するために、分散チャネルアクセス(EDCA)の原則に適合した公平度定量化指標を導入する。 最後に,近隣活動パターンを観測入力として組み込んだ集中型学習分散実行(CTDE)アーキテクチャを提案し,衝突の最小化と公正性の確保を目的として,制約付きマルチエージェント近似ポリシー最適化(MAPPO)を用いて最適化した。 実験の結果,市販のWi-Fi機器との後方互換性を維持しながら,従来のBEBに比べて衝突確率を著しく低減することがわかった。 提案した公正度尺度は、不均一なシナリオにおける飢餓リスクを効果的に排除する。

関連論文リスト

• Quantum Machine Learning for Secure Cooperative Multi-Layer Edge AI with Proportional Fairness [0.8471366736328811]
  我々は、古典的な単一デバイス推論を分散マルチデバイス設定に拡張するために、レアイベント検出のためのデュアルスレッド早期出力戦略を構築した。 連成最適化フレームワークは,通信,エネルギー,公正性制約の下での分類ユーティリティを最大化する。
  論文  参考訳（メタデータ） (2025-07-20T22:38:41Z)
• Collaborative Channel Access and Transmission for NR Sidelink and Wi-Fi Coexistence over Unlicensed Spectrum [7.098402998630272]
  5G-Advancedは、データレートを上げるために、ライセンスなしスペクトル(SL-U)上のサイドリンク通信を導入した。 ライセンスされていないスペクトルにおけるSL-Uの主な課題は、Wi-Fiのような既存のシステムと公平に共存することである。
  論文  参考訳（メタデータ） (2025-01-20T03:37:51Z)
• Heterogeneous Multi-Agent Reinforcement Learning for Distributed Channel Access in WLANs [47.600901884970845]
  本稿では,マルチエージェント強化学習(MARL)を用いて,無線ローカルネットワークにおける分散チャネルアクセスに対処する。 特に、エージェントがモデルトレーニングに価値ベースまたはポリシーベースの強化学習アルゴリズムを不均一に採用する、より実践的なケースについて考察する。 我々は、分散実行パラダイムを用いた集中型トレーニングを採用し、異種エージェントの協調を可能にする、異種MARLトレーニングフレームワークQPMIXを提案する。
  論文  参考訳（メタデータ） (2024-12-18T13:50:31Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。